神经桥接过程
机器学习
2026-04-30 v3 人工智能
摘要
从部分观测的上下文-目标对中学习随机函数的模型需要具备表达力、具备不确定性感知能力，并且对输入具有强条件限制。神经扩散过程（NDPs）通过去噪扩散提高了表达力，但其前向过程与输入无关；只有逆去噪器才会进入输入，因此噪声训练状态本身不编码条件化输入。我们提出了神经桥接过程（NBPs），用输入锚定的桥接轨迹取代无条件的前向核。在输入和输出维度不同的情况下，NBP学习一个输出空间锚点 ，允许坐标或其他输入引导生成路径，而不改变去噪主干网络。我们在理论上证明，过程级锚定可导致路径级输入可区分性，注入关于x的不确定性信息，并创建NDPs所不具备的直接梯度路径。在合成回归、EEG、CylinderFlow和图像回归实验中，我们发现该方法 consistently 提供了一致的改进。额外的消融实验表明，提升主要来自带有学习对齐的完整桥接构建，并且相同的输入锚定路径原理也可转移到流匹配神经过程。这些结果表明，桥接锚定的生成路径为强化条件随机函数建模提供了一种通用机制。
引用
@article{arxiv.2508.07220,
title = {Neural Bridge Processes},
author = {Jian Xu and Yican Liu and Delu Zeng and John Paisley and Qibin Zhao},
journal= {arXiv preprint arXiv:2508.07220},
year = {2026}
}